Teknikker for prognoser for etterspørsel (undersøkelse og statistiske metoder)

Hovedutfordringen med å forutsi etterspørsel er å velge en effektiv teknikk.

Det er ingen spesiell metode som gjør at organisasjoner kan forutse risikoer og usikkerheter i fremtiden. Generelt er det to tilnærminger til etterspørselsvarsling.

Den første tilnærmingen innebærer å forutsi etterspørsel ved å samle informasjon om kjøpsatferd hos forbrukere fra eksperter eller gjennom å gjøre undersøkelser. På den annen side er den andre metoden å forutsi etterspørsel ved å bruke tidligere data gjennom statistiske teknikker.

Dermed kan vi si at teknikkene for etterspørselsvarsling er delt inn i undersøkelsesmetoder og statistiske metoder. Undersøkelsesmetoden er generelt beregnet for kortsiktig prognoser, mens statistiske metoder brukes til å spå etterspørsel på lang sikt.

Disse to tilnærmingene er vist i figur 10:

La oss diskutere disse teknikkene (som vist i figur 10).

Kartleggingsmetode :

Kartleggingsmetode er en av de vanligste og direkte metodene for å spå etterspørsel på kort sikt. Denne metoden omfatter de fremtidige kjøpsplanene til forbrukerne og deres intensjoner. I denne metoden gjennomfører en organisasjon undersøkelser med forbrukere for å bestemme etterspørselen etter deres eksisterende produkter og tjenester og forutse den fremtidige etterspørselen deretter.

Undersøkelsesmetoden gjennomfører tre øvelser, som er vist i figur 11:

Øvelsene som er foretatt i undersøkelsesmetoden (som vist i figur 11) blir diskutert som følger:

Jeg. Ekspertenes meningsmåling:

Henviser til en metode der eksperter blir bedt om å gi sin mening om produktet. I en organisasjon fungerer salgsrepresentanter generelt som eksperter som kan vurdere etterspørselen etter produktet i forskjellige områder, regioner eller byer.

Salgsrepresentanter er i nær kontakt med forbrukerne; derfor er de godt klar over forbrukernes fremtidige kjøpsplaner, deres reaksjoner på markedsendring og deres oppfatning av andre konkurrerende produkter. De gir et omtrentlig estimat av etterspørselen etter organisasjonens produkter. Denne metoden er ganske enkel og rimeligere.

Imidlertid har det sine egne begrensninger, som blir diskutert som følger:

en. Tilbyr estimater som er avhengig av markedsferdighetene til eksperter og deres erfaring. Disse ferdighetene skiller seg fra individ til individ. På denne måten blir det vanskelig å lage eksakte etterspørselsprognoser.

b. Involverer subjektiv vurdering av assessoren, noe som kan føre til over- eller underestimering.

c. Avhenger av data levert av salgsrepresentanter som kan ha mangelfull informasjon om markedet.

d. Ignorerer faktorer, for eksempel endring i bruttonasjonalprodukt, tilgjengelighet av kreditt og fremtidsutsikter for industrien, noe som kan vise seg å være nyttig i etterspørselsprognoser.

ii. Delphi-metoden:

Henviser til en gruppe beslutningstaking teknikk for å spå etterspørsel. I denne metoden stilles spørsmål individuelt fra en gruppe eksperter for å få sine meninger om etterspørsel etter produkter i fremtiden. Disse spørsmålene blir gjentatte ganger stilt til en enighet er oppnådd.

I tillegg får hver ekspert informasjon i denne metoden informasjon om estimatene som er gjort av andre eksperter i gruppen, slik at han / hun kan revidere estimatene sine med hensyn til andres estimater. På denne måten blir prognosene kryssjekket blant eksperter for å oppnå mer nøyaktig beslutningstaking.

Noensinne ekspert har lov til å reagere eller gi forslag til andres estimater. Navnene på eksperter holdes imidlertid anonyme mens de utveksler estimater blant eksperter for å lette rettferdig skjønn og redusere glorieeffekten.

Hovedfordelen med denne metoden er at den er tids- og kostnadseffektiv ettersom et antall eksperter blir kontaktet på kort tid uten å bruke penger på andre ressurser. Imidlertid kan denne metoden føre til subjektiv beslutningstaking.

iii. Markedseksperiment Metode:

Omfatter innsamling av nødvendig informasjon angående den nåværende og fremtidige etterspørselen etter et produkt. Denne metoden utfører studier og eksperimenter om forbrukeratferd under faktiske markedsforhold. I denne metoden er noen markeder valgt med lignende funksjoner, for eksempel befolkning, inntektsnivå, kulturell bakgrunn og smak hos forbrukere.

Markedseksperimentene blir utført ved hjelp av endrede priser og utgifter, slik at de resulterende endringene i etterspørselen blir registrert. Disse resultatene hjelper til med å forutsi fremtidig etterspørsel.

Det er forskjellige begrensninger av denne metoden, som er som følger:

en. Henviser til en kostbar metode; derfor kan det ikke være rimelig av småskala organisasjoner

b. Påvirker resultatene av eksperimenter på grunn av ulike sosialøkonomiske forhold, som streik, politisk ustabilitet, naturlige ulykker

Statistiske metoder :

Statistiske metoder er sammensatte sett med metoder for etterspørsel etter etterspørsel. Disse metodene brukes til å forutsi etterspørsel på lang sikt. I denne metoden er det forventet etterspørsel på grunnlag av historiske data og tverrsnittsdata.

Historiske data viser til tidligere data hentet fra forskjellige kilder, for eksempel tidligere års balanse og markedsundersøkelsesrapporter. På den annen side blir tverrsnittsdata samlet inn ved å gjennomføre intervjuer med enkeltpersoner og gjennomføre markedsundersøkelser. I motsetning til kartleggingsmetoder, er statistiske metoder kostnadseffektive og pålitelige ettersom elementet av subjektivitet er minimum i disse metodene.

Disse forskjellige statistiske metodene er vist i figur 12:

De forskjellige statistiske metodene (som vist i figur-12).

Trendprojeksjonsmetode :

Trendprojeksjon eller minst firkantet metode er den klassiske metoden for virksomhetsprognoser. I denne metoden kreves det en stor mengde pålitelige data for å spå etterspørsel. I tillegg forutsetter denne metoden at faktorene, som salg og etterspørsel, som er ansvarlige for tidligere trender, vil forbli de samme i fremtiden.

I denne metoden blir salgsprognoser laget ved analyse av tidligere data hentet fra forrige års regnskapsbok. I tilfelle av nye organisasjoner, blir salgsdata hentet fra organisasjoner som allerede eksisterer i samme bransje. Denne metoden bruker tidsseriedata om salg for å spå etterspørselen etter et produkt.

Tabell-1 viser tidsseriedataene til XYZ Organization:

Trendprojeksjonsmetoden tar i bruk ytterligere tre metoder, som er som følger:

Jeg. Grafisk metode:

Hjelper med å forutsi fremtidig salg av en organisasjon ved hjelp av en graf. Salgsdata plottes på en graf og en linje tegnes på plottede punkter.

La oss lære dette gjennom en graf vist i figur 13:

Figur 13 viser en kurve som er plottet ved å ta hensyn til salgsdataene til XYZ Organization (tabell-1). Linje P trekkes gjennom midtpunktene på kurven, og S er en rett linje. Disse linjene forlenges for å få fremtidig salg for år 2010, som er omtrent 47 tonn. Denne metoden er veldig enkel og rimeligere; anslagene som er laget med denne metoden, kan imidlertid være basert på den personlige skjevheten til prognosemakeren.

ii. Montering av trendmetode:

Implementerer en minst firkantet metode der en trendlinje (kurve) er tilpasset tidsseriedataene for salg ved hjelp av statistiske teknikker.

I denne metoden er det to typer trender tatt i betraktning, som blir forklart som følger:

en. Lineær trend:

Implementerer en trend der salget viser en stigende trend.

I lineær trend er følgende lineære trendligning montert:

S = A + BT

Hvor

S = årssalg

T = tid (i år)

A og B er konstante

B gir mål på årlig økning i salg

b. Eksponentiell trend:

Implementerer en trend der salget øker de siste årene med en økende eller konstant rate.

Den aktuelle trendligningen som er brukt er som følger:

Y = aTb

Hvor

Y = årlig omsetning

T = tid i år

a og b er konstante

Hvis du konverterer dette til logaritme, vil ligningen være:

Logg Y = Logg a + b Logg T

Hovedfordelen med denne metoden er at den er enkel å bruke. Dessuten er datakravet til denne metoden svært begrenset (da det kun er salgsdata som kreves), og det er derfor billig metode.

Imidlertid lider denne metoden også av visse begrensninger, som er som følger:

1. Forutsetter at den siste hastigheten av endringer i variabler vil forbli den samme i fremtiden også, noe som ikke er aktuelt i de praktiske situasjonene.

2. Kan ikke brukes for kortsiktige estimater og hvor trenden er konjunkturell med mye svingninger

3. Kunne ikke måle forholdet mellom avhengige og uavhengige variabler.

iii. Box-Jenkins-metoden:

Henviser til en metode som bare brukes for kortvarige prediksjoner. Denne metoden prognoser etterspørsel bare med stasjonære tidsseriedata som ikke avslører den langsiktige trenden. Det brukes i de situasjoner der tidsseriedata viser månedlige eller sesongvariasjoner med noen grad av regelmessighet. For eksempel kan denne metoden brukes til å estimere salgsprognosene for ullklær i vintersesongen.

Barometrisk metode :

I barometrisk metode forutsettes etterspørsel på grunnlag av tidligere hendelser eller nøkkelvariabler som forekommer i samtiden. Denne metoden brukes også til å forutsi ulike økonomiske indikatorer, for eksempel sparing, investering og inntekt. Denne metoden ble introdusert av Harvard Economic Service i 1920 og revidert ytterligere av National Bureau of Economic Research (NBER) i 1930-årene.

Denne teknikken hjelper med å bestemme den generelle trenden for forretningsaktiviteter. Anta for eksempel at myndighetene tildeler land til XYZ-samfunnet for å bygge bygninger. Dette indikerer at det vil være stor etterspørsel etter sement, murstein og stål.

Hovedfordelen med denne metoden er at den kan brukes selv i fravær av tidligere data. Imidlertid er denne metoden ikke anvendelig i tilfelle nye produkter. I tillegg mister den anvendeligheten når det ikke er noen tidsforsinkelse mellom økonomisk indikator og etterspørsel.

Økonometriske metoder :

Econometriske metoder kombinerer statistiske verktøy med økonomiske teorier for prognoser. Prognosene laget av denne metoden er svært pålitelige enn noen annen metode. En økonometrisk modell består av to typer metoder, nemlig regresjonsmodell og samtidig ligningsmodell.

Disse to typene metoder forklares som følger:

Jeg. Regresjonsmetoder:

Se den mest populære metoden for etterspørselsprognoser. I regresjonsmetode estimeres etterspørselfunksjonen for et produkt der etterspørselen er avhengig variabel og variabler som bestemmer etterspørselen er uavhengige variabler.

Hvis bare en variabel påvirker etterspørselen, kalles den enkeltvariabel etterspørselsfunksjon. Dermed blir enkle regresjonsteknikker brukt. Hvis etterspørsel påvirkes av mange variabler, kalles det multivariabel etterspørselsfunksjon. Derfor brukes i et slikt tilfelle multippel regresjon.

De enkle og flere regresjonsteknikker blir diskutert som følger:

en. Enkel regresjon:

Henviser til å studere forholdet mellom to variabler der den ene er uavhengig variabel og den andre er avhengig variabel.

Ligningen for å beregne enkel regresjon er som følger:

Y = a + bx

Hvor, Y = estimert verdi av Y for en gitt verdi av X

b = Mengde endring i Y produsert av en enhetsendring i X

a og b = Konstanter

Ligningene for å beregne a og b er som følger:

La oss lære å beregne enkel regresjon ved hjelp av et eksempel. Anta at en forsker ønsker å studere forholdet mellom ansattes (salgsgruppe) tilfredshet og salg av en organisasjon.

Han / hun har tatt tilbakemeldingene fra de ansatte i form av spørreskjema og bedt dem om å vurdere deres tilfredshetsnivå på en 10-pekers skala der 10 er høyest og 1 er lavest. Forskeren har tatt salgsdataene for hvert enkelt medlem av salgsgruppen. Han / hun har tatt gjennomsnittet av månedlig salg i ett år for hver enkelt person.

De innsamlede dataene er ordnet i tabell-2:

Beregningen av gjennomsnittet for ansattes tilfredshet (X) og salg er som følger:

Dette er regresjonsligningen der forskeren kan ta hvilken som helst verdi av X for å finne den estimerte verdien av Y.

For eksempel, hvis verdien til X er 9, vil verdien av Y bli beregnet som følger:

Y = -1, 39 + 1, 61X

Y = -1, 39 + 1, 61 (9)

Y = 13.

Ved hjelp av foregående eksempel kan det konkluderes at hvis en ansatt er fornøyd, vil produksjonen øke.

b. Multippel regresjon:

Henviser til å studere forholdet mellom mer enn én uavhengige og avhengige variabler.

Ved to uavhengige variabler og en avhengig variabel, brukes følgende ligning for å beregne multiple regresjon:

Y = a + b1X1 + b2X2

Hvor, Y (avhengig variabel) = estimert verdi av Y for en gitt verdi på X1 og X

X1 og X2 = Uavhengige variabler

b1 = Mengde endring i Y produsert av en enhetsendring i X

b2 = Mengde endring i Y produsert av en enhetsendring i X2

a, b1 og b2 = Konstanter

Ligningene som brukes for å beregne a- og b-verdiene er som følger:

Antall ligninger avhenger av antall uavhengige variabler. Hvis det er to uavhengige variabler, ville det være tre ligninger og så videre.

La oss lære å beregne multiple regresjon ved hjelp av et eksempel. Anta at forskeren ønsker å studere forholdet mellom mellomprosent, graderingsprosent og MAT-persentil i en gruppe på 25 studenter.

Det er viktig å merke seg at mellomprosent og graderingsprosent er uavhengige variabler og MAT-persentil er avhengig variabel. Forskeren ønsker å finne ut om persentilen i MAT avhenger av prosentandelen av mellomliggende og konfirmert eller ikke.

De innsamlede dataene er vist i tabell-3:

Ligningene som kreves for å beregne multiple regresjon er som følger:

Disse ligningene brukes til å løse multiple regresjonsligningen manuelt. Du kan imidlertid også bruke SPSS for å finne ut flere regresjoner.

Hvis vi bruker SPSS i foregående eksempel, vil vi få utdataene som er vist i tabell-4:

Tabell 5 viser sammendraget av regresjonsmodellen. I denne tabellen er R korrelasjonskoeffisienten mellom de uavhengige og avhengige variablene, som er veldig høy i dette tilfellet. R Square viser at en stor del av variasjonen i modellen vises av sysselsettingsmuligheter i en stat. Standard estimatfeil er ganske lav som er 1, 97. Det indikerer også at variasjonen i foreliggende data er mindre.

Tabell 6 viser koeffisientene til regresjonsmodellen:

Tabell 6 viser at den beregnede t-verdien er større enn betydningen t-verdien. Dermed viser koeffisientene årsak og virkning forholdet mellom de uavhengige og avhengige variablene.

Tabell 7 viser AN OVA-tabellen for de to variablene som ble undersøkt:

Tabell 7 viser analysen av variasjon i modellen. Regresjonsraden viser variasjonen skjedd på grunn av regresjonsmodell. Imidlertid viser restraden variasjonen som skjedde ved en tilfeldighet. I tabell 7 er verdien av summen av kvadrater for regresjonsrekke større enn verdien av summen av kvadratene for resterende rad; derfor produseres de fleste av variasjonene bare på grunn av modell.

Den beregnede F-verdien er veldig stor sammenlignet med signifikansverdien. Derfor kan vi si at mellomprosenten og konfirmasjonsprosenten har en sterk effekt på MAT-persentilen til en student.

Samtidige ligninger:

Involver flere samtidige ligninger.

Det er to typer variabler som er inkludert i denne modellen, som er som følger:

Jeg. Endogene variabler:

Se innganger som er bestemt i modellen. Dette er kontrollerte variabler.

ii. Eksogene variabler:

Se inngangene til modellen. Eksempler er tid, offentlige utgifter og værforhold. Disse variablene bestemmes utenfor modellen.

For å utvikle en komplett modell blir endogene og eksogene variabler først bestemt. Etter det blir nødvendige data om både eksogene og endogene variabler samlet inn. Noen ganger er data ikke tilgjengelig i ønsket form, og derfor må de justeres i modellen.

Etter utvikling av nødvendige data, estimeres modellen ved hjelp av en passende metode. Til slutt løses modellen for hver endogene variabel når det gjelder eksogen variabel. Spådommen er endelig laget.

Andre statistiske tiltak :

Bortsett fra statistiske metoder, er det andre metoder for etterspørsel etter etterspørsel. Disse tiltakene er veldig spesifikke og brukes bare for bestemte datasett. Derfor kan bruken ikke generaliseres for alle typer forskning.

Disse tiltakene er vist i figur 14:

De forskjellige typene statistiske tiltak (som vist i figur 14) blir diskutert som følger:

iii. Indeksnummer:

Henviser til tiltakene som er brukt for å studere svingningene i en variabel eller gruppe av relaterte variabler med hensyn til tidsperiode / basisperiode. De brukes ofte i økonomi og finansiell forskning for å studere ulike faktorer, for eksempel pris og mengde på et produkt. Faktorene som er ansvarlige for problemet identifiseres og beregnes.

Det er hovedsakelig fire typer indeksnummer, som er som følger:

en. Enkelt indeksnummer:

Henviser til tallet som måler en relativ endring i en enkelt variabel med hensyn til basisåret.

b. Sammensatt indeksnummer:

Henviser til tallet som måler en relativ endring i en gruppe relaterte variabler med hensyn til basisåret.

c. Prisindeksnummer:

Henviser til tallet som måler en relativ endring i prisen på en vare i forskjellige tidsperioder.

d. Antall indeksnummer:

Henviser til antallet som måler en relativ endring i den fysiske mengden varer produsert, konsumert eller solgt for en vare i forskjellige tidsperioder.

Tidsserie-analyse: refererer til analysen av en serie observasjoner over en periode med like store tidsintervaller. For eksempel å analysere veksten av et selskap fra dets oppbygging til den nåværende situasjonen. Tidsserie-analyse er anvendelig på forskjellige felt, for eksempel offentlig sektor, økonomi og forskning.

Det er forskjellige komponenter i tidsserien analyse, som er som følger:

en. Sekulær trend:

Henviser til trenden som er betegnet med T og utbredt over en periode. Sekulær trend for en dataserie kan være oppover eller nedover. Den oppadgående trenden viser økningen i en variabel, for eksempel økning i prisene på råvarer; Mens den nedadgående trenden viser de synkende faser, for eksempel nedgang i sykdomsraten og salg for et bestemt produkt.

b. Kortsiktig oscillasjon:

Henviser til en trend som gjenstår i en kortere periode.

Det kan klassifiseres i følgende tre trender:

1. Sesongtrend:

Henviser til trenden som er betegnet med S og oppstår år etter år i en bestemt periode. Årsaken til slike trender er værforhold, festivaler og noen andre skikker. Eksempler på sesongmessige trender er økningen i etterspørselen etter ull om vinteren og økningen i salget for søtt nær Diwali.

2. Syklisk trend:

Henviser til trenden som er betegnet av C og varer mer enn i et år. Sykliske trender er verken kontinuerlige eller sesongbaserte. Et eksempel på konjunkturutvikling er konjunktur.

3. Uregelmessig trend:

Henviser til trenden som er betegnet av jeg og er kort og uforutsigbar. Eksempler på uregelmessige trender er jordskjelv, vulkanutbrudd og flom.

Beslutningstræanalyse:

Henviser til modellen som brukes for å ta avgjørelser i en organisasjon. I beslutnings-treanalysen tegnes en tretypestruktur for å bestemme den beste løsningen for et problem. I denne analysen finner vi først ut forskjellige alternativer som vi kan bruke for å løse et bestemt problem.

Etter det kan vi finne ut av resultatet av hvert alternativ. Disse alternativene / beslutningene er koblet til en firkantet node mens resultatene demonstreres med en sirkelnode. Flyten av et beslutnings tre skal være fra venstre til høyre.

Formen på avgjørelsestreet er vist i figur 15:

La oss forstå hvordan et beslutnings tre fungerer ved hjelp av et eksempel. Anta at en organisasjon vil bestemme hvilken type segmentering som skal øke kundegrunnlaget.

Dette problemet kan løses ved å bruke beslutnings-treet som er vist i Figur-16:

I figur 16 viser avgjørelsestreet to typer segmentering, nemlig demografisk segmentering og geografisk segmentering. Nå ville vi analysere resultatene fra disse to segmenteringene. For å analysere den demografiske segmenteringen må selskapet pådra seg S 40 000 (estimert kostnad). Utfallet av den demografiske segmenteringen kan være godt, moderat og dårlig.

De estimerte inntektene anslått i tre år for de tre alternativene (gode, moderat og dårlige) er som følger:

Bra = 21500000 dollar

Moderat = $ 950000

Dårlig = S300000

Sannsynlighetene som er tilordnet resultatene er 0, 4 for gode, 0, 5 for moderate og 0, 1 for dårlige.

Nå beregner vi resultatene av demografisk segmentering på følgende måte:

Bra = 0, 4 * 2100000 = 840000

Moderat = 0, 5 * 950000 = 475000

Dårlig = 0, 1 * 300000 = 30000

Tilsvarende, i tilfelle av geografisk segmentering, er påløpte kostnader $ 70000 (estimert kostnad). Utfallet av den geografiske segmenteringen kan være godt og dårlig.

De estimerte inntektene anslått i tre år for de to alternativene (gode og dårlige) er som følger:

Bra = $ 1350000

Dårlig = $ 260000

Sannsynlighetene som er tilordnet resultatene er 0, 6 for gode og 0, 4 for dårlige.

Nå beregner vi resultatene av geografisk segmentering på følgende måte:

Bra = 0, 6 * 1350000 = $ 810000

Dårlig = 0, 4 * 260000 = 104 000 dollar

Nå vil vi analysere de to resultatene for å ta en beslutning om å velge en segmentering av de to segmenteringene på følgende måte:

For demografisk segmentering:

Bra = 840000-40000 = 800000 dollar

Moderat = 475000-40000 = $ 435000

Dårlig = 30000-40000 = $ (10000)

Tilsvarende for geografisk segmentering:

Bra = 810000-70000 = $ 740000

Dårlig = 104000-70000 = $ 340000

Som vi ser av beregningen at hvis vi velger den demografiske segmenteringen, ville den maksimale estimerte fortjenesten være $ 800000. I demografisk segmentering er det sjanser for tap (10.000), hvis produktet ikke lykkes i markedet.

Hvis vi velger geografisk segmentering, ville den maksimale estimerte fortjenesten være $ 740000. I geografisk segmentering vil vi tjene mindre fortjeneste (S 340000), hvis produktet ikke lykkes i markedet. Derfor er det bedre å bruke geografisk segmentering for markedsføring av produktet, da det ikke er noe tap i det.

 

Legg Igjen Din Kommentar